В мире цифровых технологий и искусственного интеллекта создание эффективных и предсказуемых персон стало одной из самых востребованных задач для маркетологов, разработчиков продуктов и исследователей. Персоны, построенные на основе больших данных и аналитики, помогают лучше понимать целевую аудиторию и предсказывать её поведение. Однако традиционные подходы, опирающиеся в основном на демографические и психографические характеристики, всё чаще вызывают вопросы по поводу своей точности и эффективности. Давайте разберемся, какие именно атрибуты делают AI персона либо успешным в прогнозировании, либо уязвимым к ошибкам, и как исследование компании Ask Rally меняет привычный взгляд на этот процесс. Многие из нас привыкли воспринимать демографические данные как основу для построения персонажей.
Возраст, пол, географическое положение, уровень образования и профессия традиционно считались главными критериями сегментации. Однако опыт показывает, что эти признаки далеко не всегда отражают реальное поведение или мотивацию потенциального клиента. Пример, приведённый в исследовании, показывает, что двое мужчин, одного возраста и социального положения, могут иметь кардинально разные потребности и реагировать на маркетинг абсолютно по-разному. Именно поэтому опора только на демографику часто приводит к поверхностным и неточным выводам. Другой популярный подход включает психографические характеристики на базе модели Большой Пятёрки: открытость, добросовестность, экстраверсия, дружелюбие и невротизм.
Эти параметры отражают внутренние черты личности и могут влиять на поведение. Но и здесь не всё так однозначно. В исследовании Ask Rally обнаружилось, что включение психографики в модели иногда снижало общую точность предсказаний. Вероятно, дело в том, что подобные характеристики очень обобщённые и плохо подходят для детального анализа конкретных действий и решений людей в определённом контексте. Настоящий прорыв приносит внимание к поведенческим и контекстуальным данным.
Поведение пользователя — это реальные действия, которые он предпринимает: посещение сайта, упоминание конкурентов, участие в опросах, использование пробных версий продукта. Именно поведенческие характеристики предоставляют достоверные признаки того, насколько человек заинтересован в продукте и готов его использовать. В том же исследовании было выявлено, что поведенческие данные позволяли правильно идентифицировать почти девяносто процентов тех, кто не станет использовать продукт, что значительно сокращает количество ложноположительных прогнозов. Контекстуальные данные дополнительно раскрывают причину и обстоятельства, почему человек ищет решение именно сейчас. Учет болевых точек, ограничений, триггерных событий и критериев успеха помогает понять глубинные мотивы и настройки пользователя, которые не очевидны на первый взгляд.
Совмещение поведенческого и контекстуального подходов даёт синергетический эффект, позволяя с высокой степенью точности прогнозировать не просто желание попробовать продукт, но и реальную вероятность его использования. Особое внимание заслуживает феномен «позитивного смещения», с которым сталкиваются многие современные модели искусственного интеллекта. Этот эффект проявляется в том, что алгоритмы склонны давать положительный прогноз для почти всех, переоценивая шансы на успех. В результате модель может показывать высокую общую точность, но при этом совершенно не уметь отличать настоящих пользователей от тех, кто не заинтересован. Именно поведенческие признаки позволяют преодолеть этот эффект, поскольку предоставляют чёткие негативные сигналы.
Кроме того, исследование подчёркивает важность тщательно подобранных комбинаций признаков. Модели, использующие все доступные 25 атрибутов одновременно, показывают меньшую эффективность по сравнению с теми, которые ориентируются на 10 самых информативных признаков из категорий поведенческих и контекстуальных. Такой подход позволяет не только повысить точность модели, но и значительно сократить затраты на сбор и обработку данных. Не менее существенную роль играют способы взаимодействия с искусственным интеллектом. Оптимизация запросов и правильное формулирование задач позволяют снизить влияние когнитивных и статистических искажений, повышая качество предсказаний.
Например, в эксперименте Ask Rally использование оптимизированного промпта, подразумевающего поэтапный анализ и связь признаков с ценностным предложением продукта, повысило F1-метрику (показатель качества классификатора) до 0,64. Это наглядно демонстрирует, что не только какие данные используются, но и как именно задаётся задача модели, имеет решающее значение. В целом, выводы из исследования Ask Rally открывают новые горизонты для специалистов, работающих с AI персонами. Переход от устоявшихся демографических и психографических моделей к анализу реальных действий и контекста создания запросов позволяет существенно улучшить точность и полезность таких инструментов. Это не только помогает компаниям лучше понимать и обслуживать своих клиентов, но и снижает риски, связанные с принятиями решений на основе недостоверных данных.
